TensorFlow中的深度学习模型 该存储库包含使用实现几种深度学习模型的jupyter笔记本。 每个笔记本均包含有关每种型号的详细说明，希望可以简化所有步骤。 笔记本在Python 3.6，Tensorflow 1.8中运行 楷模：

超带宽 改编自使用Hyperband调整超参数的代码。 defs/ - functions and search space definitions for various classifiers defs_regression/ - the same for regression models common_defs.py - imports and definitions shared by defs files hyperband.py - from hyperband import Hyperband load_data.py - classification defs import data from this file load_data_regression.py - regression defs import data from this file main.py - a complete example for classification main_regression.py - the same, for regression main_simple.py -

一般的 该存储库提供了代码和示例，用于生成最接近的反事实说明和最少的后续干预措施。 支持以下论文： （4c691b4 @ ） （9387e6c @ ） 代码先决条件 第一的， $ git clone https://github.com/amirhk/mace.git $ pip install virtualenv $ cd mace $ virtualenv -p python3 _venv $ source _venv/bin/activate $ pip install -r pip_requirements.txt $ pysmt-install --z3 --confirm-agreement 然后参考 $ python batchTest.py --help 并运行如下 $ python batchTest.py -d * dataset * -m * mod

PyTextGCN 对TextGCN的重新实现。 此实现使用Cython进行文本到图形的转换，因此速度相当快。 图形和GCN基于库。 要求 该项目的构建具有： 的Python 3.8.5 Cython 0.29.21 CUDA 10.2（GPU支持可选） scikit学习0.23.2 pytorch 1.7.0 火炬几何1.6.3 海湾合作委员会9.3.0 nltk 3.5 scipy 1.5.2 至少Text2Graph模块也应该与这些库的其他版本一起使用。 安装 cython编译可以从项目的根目录执行： cd textgcn/lib/clib && python setup.py build_ext --inplace 用法 要从称为X的字符串列表（每个字符串包含一个文档的文本）中计算出图形，请创建名为y的标签列表以及测试索引test_idx的列表，只需运行：

机器学习的时间序列预测 一组预测时间序列的不同机器学习模型，具体来说是给定货币图表和目标的市场价格。 要求 必需的依赖项： numpy 。 其他依赖项是可选的，但是为了使最终模型更多样化，建议安装以下软件包： tensorflow ， xgboost 。 经过python版本测试：2.7.14、3.6.0。 取得资料 有一个内置的数据提供程序，可以从获取数据。 目前，所有模型都已通过加密货币图表进行了测试。 提取的数据格式是标准安全性：日期，最高，最低，打开，关闭，交易量，报价量，weightedAverage。 但是模型与特定的时间序列特征无关，并且可以使用这些特征的子集或超集进行训练。 要获取数据， 从根目录运行脚本： # Fetches the default tickers: BTC_ETH, BTC_LTC, BTC_XRP, BTC_ZEC for all time periods. $ ./run_fetch.py 默认情况下，将提取Poloniex中所有可用时间段（天，4h，2h，30m，15m，5m）的数据，并将其存储在_data目录中。 您可以通过命令行参

神经元 并行神经网络微框架。 在阅读论文。 特征 任意形状和大小的密集、完全连接的神经网络 具有均方误差成本函数的反向传播 基于数据的并行性 几个激活函数 支持 32、64 和 128 位浮点数 入门 获取代码： git clone https://github.com/modern-fortran/neural-fortran cd neural-fortran 依赖项： Fortran 2018 兼容编译器 OpenCoarrays（可选，用于并行执行，仅限 GFortran） BLAS、MKL（可选） 使用 fpm 构建 以串行模式构建 fpm build --flag "-cpp -O3 -ffast-math fcoarray=single" 以并行模式构建 如果您使用 GFortran 并希望并行运行神经 fortran，则必须首先安装OpenCoarray

日志异常检测器 日志异常检测器是一个名为“ Project Scorpio”的开源项目代码。 LAD也简称为LAD。 它可以连接到流媒体源并生成对异常日志行的预测。 在内部，它使用无监督机器学习。 我们结合了许多机器学习模型来实现这一结果。 另外，它在回路反馈系统中还包括一个人。 项目背景 该项目的最初目标是开发一种自动方法，根据用户应用程序日志中包含的信息，在用户的应用程序出现问题时通知用户。 不幸的是，日志中充满了包含警告甚至是可以忽略的错误的消息，因此简单的“查找关键字”方法是不够的。 另外，日志的数量在不断增加，没有人愿意或无法监视所有日志。 简而言之，我们的最初目标是使用自然语言处理工具进行文本编码，并使用机器学习方法进行自动异常检测，以构建一种工具，该工具可以通过突出显示最日志来帮助开发人员针对失败的应用程序更快地执行根本原因分析如果应用程序开始产生高频率的异常日志，则很可能

使用Flask Dockerize并将机器学习模型作为REST API部署 一个可以服务于预测机器学习模型的简单Flask应用程序。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。 部署ML模型的步骤 安装Flask和Docker 序列化您的scikit学习模型（可以使用Pickle或JobLib完成） [可选]将列名称列表添加到scikit对象，例如：rf.columns = ['Age'，'Sex'，'Embarked'，'Survived'] 创建一个单独的flask_api.py文件，该文件将使用Flask构建Web服务 运行python flask_api.py 转到http地址检查其是否正常工作 创建一个执行以下项目的dockerfile 安装ubuntu，python和git 从git克隆代码回购或将本地python代码移动到容器中的/ app 将WORKDIR设置为/ app 在requirements.xt中安装软件包 露出端口以进行烧瓶定位

在线交易中的欺诈检测：使用欺诈检测比率小于0.00005的Anamoly检测技术（例如过采样和欠采样）来检测在线交易中的欺诈，因此，仅应用分类算法可能会导致过度拟合

本资源包含Pattern Recognition And Machine Learning的英文版和由马春鹏翻译的中文版。